Glass (1977), meta-analizde moderatör değişkenleri belirlemek için sıradan en küçük kareler çoklu regresyonunun kullanılmasını savunan ilk kişiydi. Prosedür kavramsal olarak basittir: Bir dizi çalışmadan elde edilen d değerleri, kodlanmış çalışma özelliklerine göre geri alınır ve istatistiksel olarak anlamlı regresyon ağırlıklarına sahip olan çalışma özellikleri, etki büyüklüğünün moderatörleri olarak kabul edilir. Bu prosedür, psikoterapi sonuç çalışmalarının meta-analizlerinde ve diğer meta-analizlerin yanı sıra sınıf mevcudunun etkilerinde kullanılmıştır. Hedges ve Olkin, örnekleme hatası varyanslarının homojenliği varsayımının genellikle meta-analiz veri setlerinde karşılanmadığı gerekçesiyle bu prosedüre karşı çıktılar.

Her bir “gözlem”in (yani her d değeri) (örnekleme) varyansı, temel aldığı örnek boyutuna (ve gözlenen d değerinin boyutuna) bağlıdır. Bu örnek büyüklükleri, sıklıkla olduğu gibi önemli ölçüde farklılık gösteriyorsa, farklı etki büyüklüğü tahminleri çok farklı örnekleme hatası varyanslarına sahip olacaktır. Varyansların heterojenliği, anlamlılık testlerinin geçerliliğini etkileyebilir; gerçek alfa seviyeleri, nominal seviyelerden daha büyük olabilir.

Moderatörler ve çoklu korelasyonlar üzerindeki regresyon ağırlıklarının tahminleri de etkilenebilir. Hedges ve Olkin, her çalışmayı örnekleme hatası varyansının tersiyle ağırlıklandırarak bu sorunu aşan bir ağırlıklı en küçük kareler (WLS) regresyon prosedürü sundu.

Ancak, Hedges ve Stock (1983), Glass-Smith’in (1980) sınıf mevcudu üzerine yaptığı çalışmaları yeniden analiz etmek için bu yöntemi kullandıklarında, orijinal sonuçlara oldukça benzer sonuçlar elde ettiler, bu da Hedges ve Olkin (1985) tarafından tanımlanan problemin problem olduğunu düşündürdü. Genel bulgu, çoğu istatistiksel testin, varyansın homojenliği varsayımının ihlaline ilişkin olarak sağlam olduğu yönünde olmuştur.

Bu soruyu ele almak için Steel ve Kammeyer-Mueller (2002), bilgisayar simülasyonu kullanarak sıradan en küçük kareleri (OLS) ve ağırlıklı en küçük kareleri (WLS) karşılaştırdı. Yalnızca sürekli moderatörlere ve yalnızca sürekli moderatör değişkenlerinden gözlenen etki büyüklüklerinin tahmin edilmesinden kaynaklanan çoklu R’nin doğruluğuna odaklandılar.

Bir moderatör değişkeninin boyutu ve kaldıracı hakkında daha bilgilendirici bir indeks olan standartlaştırılmış regresyon ağırlıklarının doğruluğuna bakmadılar. Çalışma örneklem büyüklüklerinin (N) dağılımı yaklaşık olarak normal olduğunda, OLS ve WLS’nin doğruluğunda çok az fark olduğunu bulmuşlardır. Bununla birlikte, Ns çalışmasının dağılımı sağa çarpık olduğunda, WLS çoklu R için daha doğru tahminler üretti. Bununla birlikte, inceledikleri çarpıklık seviyesi biraz aşırıydı (skew = 2,66) ve gerçek araştırma literatürlerinde nadiren ortaya çıkabilir.

Çoklu regresyon analizi Tablo yorumlama
SPSS çoklu regresyon analizi
Regresyon analizi yorumlama
Çoklu regresyon analizi örnekleri
Çoklu regresyon analizi soru ve cevapları
Çok değişkenli regresyon analizi
Standart çoklu regresyon
Regresyon analizi Örnekleri

WLS kullanımı konusunda dikkatli olmak için nedenler vardır. Aşırı büyük bir N’ye sahip bir aykırı (her iki yönde) varsa, WLS tahminleri bozulacaktır. Bu nedenle, WLS ile aykırı değerlerle ilgilenmek özellikle önemlidir. Küçük N’lerle yapılan çalışmaların ağırlıklandırılmasında da potansiyel sorunlar vardır. N küçük olduğunda, büyük örnekleme hatalarından dolayı çok büyük r veya d değerleri oluşabilir.

r veya d’nin gözlenen değeri, hesaplanan örnekleme hatası varyansını etkiler (r ve d için örnekleme hatası varyansı formüllerini inceleyerek görülebileceği gibi) ve bu nedenle çalışmanın aldığı ağırlığı etkiler. Steel ve Kammeyer-Mueller’in (2002) belirttiği gibi, r değeri .99 olan N = 20’ye dayalı bir çalışmaya, N = 20.000’e dayanan ancak r’si .60 olan bir çalışma ile aynı ağırlık verilecektir!

Bu ikinci soruna bir çözüm, Bölüm 3, 4 ve 7’de tartışıldığı ve önerildiği gibi, bireysel çalışmadaki r ve d değerleri yerine r ve d için örnekleme hatası varyans formüllerinde ortalama r veya d’yi kullanmaktır. Daha basit ve istatistiksel olarak eşdeğer olan alternatif bir çözüm, ağırlık çalışmalarını örneklem büyüklüklerinin tersi ile elde etmektir. Hem OLS hem de WLS regresyon yöntemlerinin (farklı) sorunları olduğundan, Overton (1998) her ikisinin de uygulanmasını ve sonuçların karşılaştırılmasını önermiştir. Benzerlerse, kişinin sonuçlara olan güveni desteklenir.

Bu uyarılar akılda tutularak, tipik durumlarda, moderatörler sürekli olduğunda OLS yöntemleri yerine WLS yöntemlerinin vurgulanması muhtemelen tavsiye edilir. Ancak, ölçüm hatası için d veya r değerleri düzeltilmediğinde hem WLS hem de OLS’nin kötü çalışacağını unutmamak önemlidir.

Tüm değerler, ölçüm hatası nedeniyle aşağı doğru eğimli olacak olsa da, bazıları, gerçek etkilerin ölçüleri olarak gözlemlenen ds veya rs’nin yapı geçerliliğini azaltarak ve dolayısıyla, tüm moderatörlerin görünür gücünü yapay olarak azaltarak, diğerlerinden daha fazla önyargılı olacaktır. d veya r değerleri ölçüm hatası için düzeltilmiş olsa bile, d değerlerindeki veya rs’deki varyansın çoğunun veya tamamının (veya tamamının) örnekleme hatasından kaynaklanması ve ölçüm hatası için düşük güvenilirlik oluşturması sorunu hala mevcuttur.

Ayrıca, ölçüm hatasının düzeltilmesi, standartlaştırılmış regresyon katsayıları için tahmin edilen standart hataların çoğu bilgisayar programında hatalı olmasına neden olacaktır. Hunter (1995), veriler ölçüm hatası için düzeltildiğinde doğru standart hata değerleri veren özel bir yazılım geliştirmiştir. Steel ve Kammeyer-Mueller’in (2002) çalışması bu konulara değinmemiştir.

Moderatörler ikili veya kategorik ise (örneğin, cinsiyet veya ırk), moderatör analizine yönelik alt gruplama yaklaşımı daha üstün olabilir. Bununla birlikte, moderatörlerin sıklıkla ilişkili olduğunu ve ilişkili moderatörlerin karıştırılmasını önlemek için hiyerarşik moderatör analizi kullanmanın önemli olduğunu akılda tutmak önemlidir.

Moderatörler sürekli olduğunda, alt gruplama yönteminin dezavantajı, alt grupları oluşturmak için sürekli değişkenlerin ikiye ayrılmasını gerektirmesi ve dolayısıyla bilgi kaybetmesidir. İncelenecek yalnızca bir moderatör olduğunda ve sürekli olduğunda, açıklandığı gibi basit korelasyon kullanılabilir. ilişkisiz. Moderatörler ilişkiliyse, moderatörleri değerlendirmek için OLS veya WLS kullanılmalıdır.

Hedges ve Olkin tarafından işaret edilen regresyon sonuçlarının olası çarpıtılması sorunu, moderatörleri belirlemek için çoklu regresyon kullanımına musallat olan diğer daha ciddi sorunlara kıyasla sönük kalıyor: şanstan yararlanma ve düşük istatistiksel güçtür. Grafik olarak açıklandığı gibi, bu son sorunlar, bu tür moderatör analizlerinin sonuçlarının yorumlanabilirliğini tamamen yok edebilir.

Karşılaştırıldığında, örnekleme hatası varyanslarının homojenliği varsayımının ihlali neredeyse akademiktir. Son olarak, bu tartışmanın d değerlerine ayrılmış bir bölümde görünmesine rağmen, korelasyonlara dayalı meta-analizler için eşit olarak geçerli olduğunu not ediyoruz.

The post Çoklu Regresyon Kullanımı – Meta-Analiz Ödevleri – Meta-Analiz Alanında Tez Yaptırma – Meta-Analiz Tez Yaptırma Ücretleri first appeared on Online (Parayla Ödev Yaptırma).

Program karmaşık veri yapıları ile çalışabilir. Veri giriş sayfasında kullanıcı, bazı (veya tüm) çalışmaların birden fazla alt grup, sonuç, zaman noktası ve/veya karşılaştırma içerdiğini belirtebilir. Bu durumda program, her çalışma içinde ek veri satırları için yer sağlayacaktır.

Analizde, program ilgili tüm seçenekleri sunacaktır. Örneğin, bazı çalışmalar birkaç bağımsız alt grup içeriyorsa, kullanıcı diğerlerini hariç tutarken bir analizi bir veya daha fazla alt grupla sınırlayabilir veya çalışmalar içindeki alt gruplar arasında verileri birleştirebilir. Veya bazı çalışmalar birden fazla sonuç içeriyorsa, kullanıcı analizi bir veya daha fazla sonuçla sınırlayabilecek ve/veya sentetik etkiler yaratabilecek ve/veya farklı sonuçlardaki etkiyi karşılaştırabilecektir.

Alt grup analizi ve meta-regresyon gerçekleştirin

Kullanıcı, verileri girerken kategorik değişkenler oluşturabilir ve her çalışma için bir değer (örneğin, akut veya kronik) girebilir. Analizde program, kullanıcının kategorik değişkenlere göre gruplandırmasına ve bir alt grup analizi (varyans analizi) gerçekleştirmesine izin verecektir. Benzer şekilde, kullanıcı veri girerken sürekli değişkenler oluşturabilir ve ardından bir meta-regresyon gerçekleştirebilir.

Yayın yanlılığı için analizler gerçekleştirme

Program bir huni grafiği oluşturacak, Begg ve Mazumdar ile Egger yanlılık testlerini gerçekleştirecek ve Rosenthal ve Orwin’in Fail-safe N’sini rapor edecektir. Ayrıca Trim and Fill analizini ve numune boyutuna göre sıralanmış bir kümülatif analizi gerçekleştirecektir. veya kesinlik.

Diğer programlarla arayüz

Kullanıcılar, herhangi bir Windows tabanlı elektronik tablodan özet verileri kopyalayıp CMA’ya yapıştırabilir. Ayrıca hesaplanan değerleri CMA’dan panoya ve oradan diğer programlara kopyalayabilirler.

REVMAN 5.0

RevMan (İnceleme Yöneticisi), The Cochrane Collaboration tarafından Cochrane incelemelerinde kullanılmak üzere geliştirilmiş bir yazılımdır, ancak program kuruluş dışında da kullanılabilir (ayrıntılar için web sitesine bakın). CMA ve Stata makroları yalnızca meta-analiz için bir mekanizma sağlarken, RevMan, meta-analizin yalnızca bir parçası olduğu sistematik incelemenin tüm yönleri için bir mekanizma sağlar.

Bu, incelemenin tüm bölümlerini yönetmek için bir mekanizma isteyen kişiler için bir avantajdır ve tamamlanmış incelemeyi The Cochrane Library’ye yüklemek isteyen araştırmacılar için kritik bir avantajdır, çünkü bunu yapmak için tek mekanizma budur. Bununla birlikte, kullanıcının analize geçmeden önce birden fazla adımdan geçmesi gerektiğinden, diğerleri için bir dezavantaj olabilir.

Regresyon analizi yorumlama
Çoklu regresyon analizi örnekleri
Çoklu regresyon analizi tablo yorumlama
Çoklu uyum analizi
Basit regresyon analizi yorumlama
Regresyon analizi Örnekleri
Basit doğrusal regresyon analizi
Ridge regresyon analizi

Veri girişi

Veri giriş sayfası gösterilir. Kullanıcı verileri beyaz hücrelere girer. Program çeşitli istatistikleri hesaplar ve bunları gölgeli hücrelerde görüntüler. Bu örnekte, kullanıcı her çalışma için olayları ve toplam n’yi girmiş ve program, olasılık oranını hesaplamıştır. Ekran görüntüsü netlik için kırpılmıştır (normalde bir orman grafiği de görüntülenir).

RevMan, verileri dört biçimde kabul edecektir: olaylar ve örnek boyutu, ortalamalar, standart sapmalar ve örnek boyutu, O eksi E ve V ve genel etki boyutu. Analizdeki tüm çalışmalar aynı formatta olmalıdır. Verileri birden çok formatta sağlanan bir araştırmacının, her çalışma için etki büyüklüklerini ve varyansı harici olarak (örneğin, Excel kullanarak) hesaplaması ve ardından hesaplanan etki büyüklüğünü ve varyansını programa kopyalaması gerekir.

Program aşağıdaki etki büyüklükleriyle çalışacaktır: Ham ortalama farkı, standartlaştırılmış ortalama farkı (g), olasılık oranı, risk oranı ve risk farkı. Program ayrıca genel bir efekt boyutuyla da çalışacaktır.

Analiz

Program, burada gösterilene benzer bir ekran görüntüler. Menüler, aşağıdakiler de dahil olmak üzere, hesaplama modelinin ve ekranın birçok öğesini özelleştirmek için kullanılır.

• Sabit veya rastgele efekt modelleri için sonuçları görüntüleyin.
• Her iki model için de ağırlıkları görüntüleyin.
• Etki boyutu, varyans, standart hata, güven sınırları, Q, T2 ve I2 dahil olmak üzere bir istatistik tablosu görüntüleyin.

Bir orman arsası oluşturun

Analiz motoru ayrı bir orman çizimi görüntüsü oluşturabilir. Olay örgüsünde sınırlı esneklik olsa da tasarım iyi düşünülmüş ve çoğu analiz için uygun.

Duyarlılık analizi

Kullanıcı, bir veya daha fazla çalışmayı analizden manuel olarak hariç tutabilir.

Alt grup analizi ve meta-regresyon gerçekleştirin

Her çalışma karşılaştırmasında program, kullanıcının alt gruba göre veri girmesine izin verir. Program her karşılaştırma için bir analiz üretir ve alt grup değişkenleri girildiğinde sonuçları alt gruba göre gruplandırır. Program, her alt grup için ayrı bir analiz yapacak ve alt gruplar arasındaki etkiyi karşılaştıracaktır, ancak bir meta-regresyon gerçekleştiremez.

Yayın yanlılığı için analizler gerçekleştirin

RevMan bir huni grafiği seçeneği gösterecek, ancak yayın yanlılığı için herhangi bir test veya prosedür sunmuyor.

Diğer programlarla arayüz

Kullanıcılar, herhangi bir Windows tabanlı elektronik tablodan özet verileri kopyalayıp RevMan’a yapıştırabilir.

STATA 10.0 İLE STAT MAKROLARI

Stata, birincil çalışmalar için genel amaçlı bir istatistiksel pakettir ve programın kendisinde meta-analiz rutinleri yoktur. Bununla birlikte, Stata, kullanıcıları daha sonra Stata web sitesine gönderilebilecek özel amaçlı makrolar (kod blokları) geliştirmeye teşvik eder ve meta-analiz için bu tür makrolardan oluşan eksiksiz bir set geliştirilmiştir.

Stata, komuta dayalı bir programdır; bu, kullanıcının bir analiz gerçekleştirmek için bir düğmeyi tıklamak yerine bir komut (örneğin ‘metan TreatedDead TreatedAlive ControlDead ControlAlive, sabit rr’) yazdığı anlamına gelir. Ancak, işlemi basitleştiren komutu oluşturmak için genellikle bir iletişim kutusu kullanmak mümkündür.

Stata’ya aşina olmayan birinin, meta-analiz prosedürlerine geçmeden önce programı edinmesi ve öğrenmesi gerekir. Ancak, bu programı zaten kullanan araştırmacılar için makrolar kesinlikle bir göz atmaya değer.

Bu insanlar için bu programın avantajları, bu ciltte tartışılan prosedürlerin çoğunu gerçekleştirebilen mevcut makroların sayısı ve bu prosedürlerin çoğu için mevcut seçeneklerin sayısıdır. Stata makrolarını kullanmanın tek gerçek dezavantajı, bu makroların kabul edeceği oldukça sınırlı sayıda veri giriş formatıdır.

The post Çoklu Sonuçlar – Meta-Analiz Ödevleri – Meta-Analiz Alanında Tez Yaptırma – Meta-Analiz Tez Yaptırma Ücretleri first appeared on Online (Parayla Ödev Yaptırma).